[发明专利]一种基于神经网络的鱼类活性分类方法

说明书

技术领域

本发明涉及生物式水质毒性检测、神经网络分类技术领域，提出了一种利用神经网络判别鱼类活性的分类方法，该方法能提高生物式水质毒性检测的准确性。

技术背景

正常水质是指水质的感官(透明度、异味等)与生化指标(磷、氮含量、酸碱度等)在国家标准允许范围内。水质污染往往会改变水质的感官与生化指标，通过检查水质的当前数据指标与正常数据指标的偏差度就可以确定水质是否存在异常。因此，水质检测属于分类问题，即根据感官参数或者生化指标参数来确定水质处于正常或异常状态。

传统的水质检测方法大多采用理化检测结合统计模型的处理方法。尽管理化检测方法能较为准确的给出引起水质异常的指标数据，但是也存在如下不足：1)水质数据大多采用人工方式进行定时采集，导致数据具有滞后性，不能应对突发性水质污染；2)由于采用理化检测，需要一系列用于分析、检测的仪器设备，导致检测成本较高。

为了解决采用理化方式检测水质方法的不足，学者们提出了基于鱼类行为的水质检测方法。鱼类行为较大的受水质变化的影响，水质一旦发生污染，生活在其中的鱼类行为往往出现异常。通过获取并分析鱼类的异常行为，就可以实现对水质异常的实时预警。通常将被监测水样引流到一个监测缸，监测缸中放置几条被监测鱼。通过置于监测缸上的摄像头，自动的获取水样中的鱼类行为。设计算法分析视频中的鱼类行为，从而实现水质是否处于异常状态的实时、快速和准确预警。因此，能够准确判断鱼类行为的算法是生物式水质监测的关键性技术之一。

被检测水样中若存在有毒化合物或者农药成份，就会造成生活在其中的鱼类行为异常，比如游速增快、剧烈撞击监测缸，严重的还会引起监测缸内鱼的死亡。然而，监测缸内鱼不停地交错游动、以及光线的变化都增加了判断监测缸内鱼是否死亡的难度。

发明内容

为了克服现有技术的上述缺点，本发明提出一种基于神经网络的鱼类活性检测方法，该方法能准确的对监测缸内鱼群是否存在死亡鱼做出判断，从而为水样可能存在的毒性给出实时预警信号。

1.一种基于神经网络的鱼类活性检测方法，包括如下步骤：

1)以鲫鱼作为生物监测对象对其进行实时监测，根据鲫鱼在检测缸中的实时图像特征，以此判断其处于死亡或者存活状态，从而实现对监测水样中是否受到有毒物质的污染进行实时预警。本发明采用的装置如图1所示，检测缸中的水流通过进水口与出水口实现平缓流动，不仅降低了水流对鱼类行为的影响，也模拟了鱼类所生活的自然水流环境；

2)采集和提取目标鱼的图像特征，利用背景差分的方法来提取鱼目标轮廓(图2)。通过识别、分割监控视频所拍摄到的目标图像，对目标鱼进行跟踪并标定其实时运动位置，设定固定时间间隔作为统计周期，获取该周期鱼群的图像特征；

3)通过神经网络判断被监测鱼死亡或者存活的状态。定义死鱼特征数据集和活鱼特征数据集，通过导入收集的死鱼与活鱼数据集，对神经网络模型进行训练从而获取判断被监测鱼死亡或者存活的特征信息。具体过程如下：

3.1)构建鱼类死亡或者存活状态的训练数据，将其作为判断被监测鱼生存状况的依据从而检测水质是否发生异常的指标，如图(3)所示。

通过对视频图像中的目标鱼群进行实时跟踪鱼目标，提取每一时间间隔周期内目标鱼个体的轮廓区域信息，再对目标鱼区域内信息进行预处理，将处理后的区域信息保存并将此区域图像信息作为训练神经网络的训练输入数据(图4)。训练样本数据的提取方法如下：

a)根据跟踪定位到的鱼目标，找到目标鱼边缘轮廓信息；

b)根据边缘信息，以最小外接矩形的方式截取鱼目标信息和周围的背景信息；

c)对截取矩形区域内的信息进行阈值化处理，将区域内目标鱼轮廓之外的背景处理为无效信息；保留鱼目标信息不作处理；

d)将矩形图片进行灰度化处理，之后作为输入样本数据来进行神经网络的训练。

在鱼目标的实时跟踪定位及特征信息的提取保存过程中，为了避免提取信息中存在非鱼目标信息的干扰，特别作了c)操作步骤。其目的是将非鱼目标区域处理为无效信息。这样可使得输入图片作为神经网络的输入数据时，有效信息只有鱼目标的信息，从而减少噪声对分类效果产生的影响。

首先构建网络模型，其次将死鱼与活鱼的训练数据作为输入得到网络的权重参数，从而得到成熟的分类模型(图5)。该模型通过判断流动水箱中是否有鱼处于死亡状态，从而对水样是否存在毒性作出预警。

3.2)基于神经网络算法对数据进行训练生成分类结构模型。